Siga los pasos a continuación para extraer texto de archivos PDF utilizando GroupDocs.Parser dentro de su proyecto Java:
// Inicializar Parser con su documento
try (Parser parser = new Parser("input.pdf"))
{
// Leer y extraer todos los datos textuales
try (TextReader reader = parser.getText())
{
// Devolver nulo si el contenido de texto está ausente
// Integrar el texto extraído en su flujo de trabajo
System.out.println(reader == null ?
"Omitir formatos de extracción de texto no soportados" : reader.readToEnd());
}
}
<dependencies>
<dependency>
<groupId>com.groupdocs</groupId>
<artifactId>groupdocs-parser</artifactId>
<version>24.9</version>
</dependency>
</dependencies>
<repositories>
<repository>
<id>repository.groupdocs.com</id>
<name>GroupDocs Repository</name>
<url>https://repository.groupdocs.com/repo/</url>
</repository>
</repositories>
GroupDocs.Parser va más allá de la simple extracción de texto—soportando la recuperación de imágenes, metadatos y datos estructurados para mejorar las tareas de procesamiento de contenido.
Capture tanto texto en bruto como estructurado de DOCX, XLSX, PPTX, PDF, HTML y varios formatos.
Analice texto de documentos escaneados, presentaciones, hojas de cálculo y otros tipos de archivos mientras preserva la estructura lógica.
Configure rangos de páginas, zonas de diseño y parámetros de precisión para un análisis de texto más afinado.
Este ejemplo demuestra la extracción de bloques de texto junto con sus coordenadas espaciales de una presentación de PowerPoint utilizando GroupDocs.Parser.
// Cargar su archivo PPTX con la API Parser
try (Parser parser = new Parser("input.pptx"))
{
// Obtener todas las zonas de texto rectangulares
IEnumerable<PageTextArea> areas = parser.GetTextAreas();
// Salir si esta función no es soportada
if (areas == null)
{
return;
}
// Recorrer áreas de texto por página
for (PageTextArea a : areas)
{
// Procesar cada bloque de texto con su número de página y rectángulo delimitador
System.out.println(String.format("Page: %d, R: %s, Text: %s", a.getPage().getIndex(), a.getRectangle(), a.getText()));
}
}
Descargue GroupDocs.Parser gratis u obtenga una licencia de prueba para obtener acceso completo.
Explore la documentación, las muestras de código y el apoyo de la comunidad para mejorar su experiencia.
GroupDocs.Parser es capaz de extraer contenido textual de numerosos formatos de archivos e imágenes. A continuación, se presentan los tipos más utilizados que soporta.
